(1) Antecedentes: En los últimos años, los modelos basados en Transformers han dominado el ámbito de la predicción de series temporales, eclipsando a las redes neuronales recurrentes (RNN) como Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU). Si bien los Transformers demuestran un rendimiento superior, su alto costo computacional limita su aplicación práctica en entornos con recursos limitados. (2) Métodos: En este documento, reconsideramos las RNN, específicamente la arquitectura GRU, como una alternativa eficiente para la predicción de series temporales, aprovechando la capacidad de representación secuencial de esta arquitectura para capturar de manera efectiva las dependencias entre canales. Nuestro modelo también utiliza una capa feed-forward justo después del módulo GRU para representar las dependencias temporales y las agrega con las capas GRU para predecir los valores futuros de una serie temporal dada. (3) Resultados y conclusiones: Nuestros extensos experimentos realizados en diferentes conjuntos de datos del mundo real muestran que nuestro modelo GRU invertido (iGRU) logra resultados prometedores en términos de métricas de error y eficiencia de memoria, desafiando o superando a los modelos de vanguardia en varios benchmarks.